Análise dos dados

Hair et al. (2016) recomendam que, após o processo de coleta dos dados, estes sejam inspecionados para eliminar possíveis dados faltantes na pesquisa. De acordo com estes autores, um questionário respondido com mais de 15% de dados faltantes (missing values) ou de dados atípicos (outliers) deve ser eliminado. Para atenuar os problemas com eventuais descartes de respostas, os quais têm um impacto imediato no número de respondentes, os autores recomendam alguns métodos. Os autores ressaltam que tais métodos podem trazer resultados válidos quando o número de dados faltantes não chega a 5% por variável.

Durante a fase de pré-teste, foi possível observar que a formatação das perguntas do questionário como obrigatórias e a apresentação das respostas em múltipla escolha facilitou que os participantes respondessem, e evitou o envio do questionário com dados faltantes; desta forma, o percentual de missing foi 0%.

Todas as respostas foram armazenadas no banco de dados do software

Google Docs e exportados para uma planilha do software Microsoft Excel 2016. De acordo com Hair et al. (2006), a codificação dos dados dos respondentes consiste em atribuir número a determinado tipo de resposta para que possa ingressar em um banco de dados. As perguntas foram codificadas em siglas de acordo com o que ela buscava investigar, e as respostas foram codificadas de forma crescente em números, em que 1 representa “de maneira alguma” e 6, “extremamente”.

As variáveis de controle (dados que descrevem o perfil dos respondentes) foram codificados em números em ordem crescente, exceto a questão 5, a qual aborda o regime de trabalho; ela foi tratada como dummy, a primeira resposta foi codificada como 1, a resposta dois e três como 0.

Ao término da codificação e limpeza do conjunto de dados, foi gerado um arquivo em modelo CSV, posteriormente inserido no software SmartPLS 3.

Neste trabalho, adotou-se a técnica de modelagem de equações estruturais e análise fatorial confirmatória conforme Hair et al. (2006). Segundo os autores, o primeiro envolve elaborar e avaliar o modelo e sua qualidade, por meio de indicadores como a validade convergente (alfa de Cronbach, confiabilidade composta, AVE) e validade discriminante (teste de carga fatoriais cruzadas e critério de Fornell e Lacker), no qual seria possível abordar a variedade de relações causais. No segundo, é possível desempenhar a confirmação sobre as especificações de indicadores para cada construto, realizando testes estatístico da qualidade de ajuste para a solução fatorial confirmatória proposta, validando as escalas de mensuração (Hair et al., 2006).

3.2.1 Especificação do Modelo de Mensuração

Para avaliar o modelo de mensuração de acordo com Ringle et al. (2014), recomendam a avaliação da validade convergente, da validade discriminante e da confiabilidade, por meio do Alfa de Cronbach (Conbrach´s Alpha) e da Confiabilidade Composta (Composite Reliability).

De acordo com Hair et al. (2016), o Alfa de Cronbach e a Confiabilidade Composta mensuram a intercorrelação entre as variáveis observáveis no construto.

Segundo os autores, são buscados valores para o Alfa de Cronbach acima de 0,7, embora valores acima de 0,6 sejam aceitáveis, e valores para a Confiabilidade Composta necessitam ser menores do que 0,95.

Segundo Ringle et al. (2014), para medir a validade convergente, é recomendado avaliar a AVE, pois esta medida avalia todos os itens de um determinado construto em uma proporção relativamente alta. Para Hair et al. (2016), quando são obtidos valores de 0,5 nos construtos, é considerado adequado, indicando que 50% da variação de cada variável observável é causada pelo construto.

Para medir a validade discriminante, devem ser usados o teste de carga fatoriais cruzadas (cross-landing) e o critério de Fornell e Lacker (RINGLE et al., 2014). Estes critérios têm por objetivo verificar que um construto é independente do outro no modelo, que cada construto captura um fenômeno não representado por outro construto do modelo (HAIR et al., 2016).

Os testes de carga fatorial cruzada demandam que a carga variável observável seja mais alta que as demais em seu construto, e o teste de Farnell e Lacker requer que a correlação de certo construto com seus indicadores seja maior do que sua correlação com os outros construtos.

3.2.2 Especificação do Modelo Estrutural

De acordo com Hair et al. (2016), o modelo estrutural deve ser elaborado no início da pesquisa, como meio de orientar o trabalho do pesquisador. O modelo visa representar as relações que serão examinadas entre os construtos, ou seja, o relacionamento entre as variáveis latentes. Os autores ressaltam que necessita haver uma relação causal (ou preditiva) entre os construtos independentes (dos quais saem os vetores) e os dependentes (nos quais chegam os vetores).

A figura 3, a seguir, representa o modelo estrutural que será analisado (o qual foi criado com o auxílio do software SmartPLS 3).

Figura 3 – Modelo estrutural só com as variáveis de controle

O primeiro modelo consiste nas variáveis de controle. Foram consideradas seis variáveis de controle: Regime de Trabalho (CLT_dummy); Escolaridade (Escolaridd); Faixa etária (Faixa_etaria); Gênero (Sexo_masc); Tempo de empresa (Tempo_empresa); Porte da empresa (Porte_empresa).

No modelo apresentado, as seis variáveis de controle estão exercendo o controle sobre a aprendizagem individual, a qual, por sua vez, possui duas ramificações: Aprendizagem individual (AI) ramificada em Importância (AI_imp) e Frequência (AI_frenq).

3.2.3 Avaliação dos Resultados do Modelo Estrutural

Após analisar o conteúdo utilizando o software SmartPLS 3, serão estimados os coeficientes entre os construtos, tais valores variam de -1 até 1; valores próximos das extremidades indicam que há forte relação entre os construtos (negativos e positivos), entretanto, os valores próximos de 0 (zero) indicam relações mais fracas (HAIR et al., 2016). De acordo com Wetzels et al. (2009), os construtos de segunda ordem e as cargas fatoriais dos construtos de primeira ordem que o compõem podem

ser usadas para calcular os efeitos individuais indiretos dessas variáveis dependentes do construto superior, valendo-se dos produtos das cargas fatoriais e dos coeficientes da relação de dependência.

Segundo Ringle et al. (2014), o método de reamostragem (bootstrapping –

Apêndice E ) é utilizado para obter a análise de significância entre as correlações do modelo estrutural e de mensuração, e aponta que o coeficiente t deve ser usado para esta finalidade. Os valores procurados para t variam de acordo com o nível de significância estatística, ou seja, quando α = 0,01, então t deve ser maior que 2,57, quando α = 0,05, t deve assumir um valor maior do que 1,96, e t deve ser maior do que 1,65 se α = 0,1 (HAIR et al., 2016).

O coeficiente R² mede o poder preditivo do modelo estrutural, calcula cada variável do modelo e representa o efeito combinado das variáveis preditoras sobre ela (HAIR et al., 2016). Segundo os autores, os valores mais altos do que 0,20 são procurados: valores maiores que 0,75 são relatados como “substanciais”, aqueles maiores que 0,50 são considerados “moderados” e os maiores que 0,25 são “fracos”. O efeito f² é calculado somente para as variáveis independentes do modelo, indicando quando a variável independente pode ser eliminada do modelo estrutural sem que diminua o poder explicativo (RINGLE et al., 2014). Os valores f² menores que 0,02 são indicativos de que a variável preditora não é necessária, enquanto que valores de 0,02, 0,15 e 0,35 representam, respectivamente, efeitos “pequeno”, “médio” e “grande” sobre os construtos dependentes.